12月21日，Midjourney在Discord上宣布其最新版本v6的测试版本发布。该模型经过了9个月的训练，虽然缺乏明确的基准比较，就目前网友测试实验出来的能力来看，它可以被堪称当今最先进的文生图模型。这次发布的模型水平不光卷翻了设计圈，也直接卷倒了摄影圈。
（先来点真实感震撼）
中途历代全家福：
从官方Discord介绍上看，这一次Midjourney的模型提升主要在以下几个方面：
1）更准确的提示遵循以及更长的提示词上下文长度。
据已参与测试的用户通过实测后表示v6现在支持的提示词长度超过350个字符；当前版本在提示里可以指定多个主题/颜色和其他细节。
在准确的遵循提示这一点上，从网友测试来看的提升也很明显。
比如当用法兰克福测试时，v6模型生成的图像明显更符合提示词的具体一点：有拳击手套，面带微笑。
下面这个例子更明显，v5.2数不到1000。
动作理解的提升：v5.2理解不了趴着，想再爬起来卷。v6就彻底趴平了。
2）改进的连贯性和模型知识
在公告中，Midjourney表示
●v6对提示现在更敏感。别再用“令人印象深刻的，简洁的，4k，8k”这样的无用词汇了。
● 明确表达你想要的。虽然它可能没有那么响，但当你明确表达时，它就能在明白你的意思这方面做得更好。
根据用户测试，v6甚至能够理解标点和语法的分数差。升级其实对整个用户体验这产生更大的影响。过去偏向于炼丹式的提示词可能会被更矫正的描述取代。这到底是提高还是降低了新手人口，还真不好说。
针对这一改变，一位设计师给出了当前最适合中途旅行的新提示技巧：核心就是一个清晰的技巧，格式化表达。
在模型知识方面v6的演变有一个小细节非常有代表性。下面例子里的提示词是日本女性。v6能分清颇为微妙的不同亚洲族裔之间的相貌区别。林v5.2，图像中女子的造型确实多了日本特征。这种欧洲人根本无法理解的亚洲长相差异也被人工智能拿捏了。
（左v5.2，右v6）
3）改进的图像提示和混合
在这里，改进的图像提示其实更多是指按提升生成图像能力的提升，即能够根据文本提示创建更精细和更新的图像。而改善的图像混合是指v6能够使得不同元素和风格的结合更多和谐自然。
从网友的测试来看，v6的图片生成能力确实有明显的提升。最近于v5.2，v6的图片确实更加偏向于丰富和精致。v5.2其实从细节度上来说已经可以到“乱真”的程度了，但v6的感觉是“真”，而不是“仿真”。提示词对的话，结果甚至有一个相机直出的真实增益。
比如说这盘土豆炖牛肉，明显右边v6版本的会更让人有美容。
（左：v5.2右v6）
环境还原能力上看，差异也非常明显：v6版本的罗马帝国市场，不说你会以为是《罗马》剧组的场景。而v5.2就略显平面，房子也略有些奇怪。
（上v6，下v5.2）
这顿图的对比差异就更加明显了。提示词都是纪录片风格，上面真的很记录，而下面那组细看问题还是很多，缺乏真实的光影和细节深度。
上为v6，下为v5.2
人像方面，其实v5已经做到相当还原了。但在v6中，脸部的小疙瘩，帽檐上的皱痕与污痕，鼻子上紧贴弧线充满变化的光影让v5.2的照片看起来更相当于美颜过的，太平面了。就算同样是雀，v6的表现也更让人信服，充满了符合人体图案的浓缩性，而非平铺感。
v5.2
v6
v5.2
v6
4）文本能力提升
简单地说，v6现在可以在图像中更明确地较差的文本，甚至可以规定其风格。为了获得最佳效果，文本应该用引号标出。这样可以帮助模型区分哪些是描述性的提示，哪些是实际上要在图像中呈现的文本。例如，如果用户想要生成一张图像，上面写着用马克笔在方便贴上写的“HelloWorld！”，他们可以使用类似以下的提示：“imagineaphotoofthetext’HelloWorld！” ‘用amarkeronastickynote编写–ar16:9–v6”
这一点在测试中也非常清晰的显示出来了。现在v6对文字的处理率大幅提高，而且嵌入感也更好。
然而可惜的是英文是境外还是鬼画符。但v6已经能够完全进行符合画面的风格化文字创作了。
另一个例子中，可口可乐的字体被完美还原。
再来一张标志设计图——文字完美贴合画面风格。设计师最后的阵地有点守不住了。
中途v6表演出的强大能力看起来对摄影师和设计团队产生了更加的威胁——目前它表演出的审美、和谐的动力能力已经直追顶级摄影师。最可怕的还不是它表演出的力量，不过它进化的速度——在中途的公告中，他们还表示：v6的速度、图像质量、连贯性、提示遵循和文本准确性在未来几周内应该会。而v6beta在发布半个小时提高之后宣布了第一次更新，生成速度提升了2.7倍。
随着Midjourneyv6的发布，新的激动人心的图像生成模型的军备竞赛又要开始了。
